2025年机器学习工程师考试题库（附答案和详细解析）（1225）.docxVIP

机器学习工程师考试试卷

一、单项选择题（共10题，每题1分，共10分）

以下哪种算法属于监督学习？

A.K-means聚类

B.主成分分析（PCA）

C.逻辑回归

D.关联规则挖掘

答案：C

解析：监督学习需要样本的标签（目标变量），逻辑回归通过有标签数据训练分类模型，属于监督学习。A（K-means）和B（PCA）是无监督学习，D（关联规则）是无监督的关联分析，均无标签参与。

过拟合的主要原因是？

A.训练数据量过大

B.模型复杂度不足

C.模型对训练数据噪声过度学习

D.学习率设置过低

答案：C

解析：过拟合指模型在训练集上表现很好，但泛化能力差，本质是模型过度拟合了训练数据中的噪声和细节。A（数据量大通常缓解过拟合）、B（复杂度不足会导致欠拟合）、D（学习率低影响收敛速度而非过拟合）均错误。

评估分类模型时，F1分数是以下哪两个指标的调和平均？

A.准确率（Accuracy）和召回率（Recall）

B.精确率（Precision）和召回率（Recall）

C.精确率（Precision）和特异度（Specificity）

D.准确率（Accuracy）和精确率（Precision）

答案：B

解析：F1分数定义为精确率（查准率）和召回率（查全率）的调和平均，公式为(F1=2)。其他选项中，准确率是总正确比例，特异度是负样本正确识别率，均不参与F1计算。

以下哪项是梯度下降法的优化目标？

A.最大化损失函数

B.最小化损失函数

C.最大化模型复杂度

D.最小化学习率

答案：B

解析：梯度下降是通过迭代更新参数，使损失函数（如均方误差、交叉熵）逐步减小，最终收敛到局部或全局最小值。A（最大化损失）与优化目标相反，C（模型复杂度）是正则化关注的，D（学习率是超参数，非优化目标）。

随机森林（RandomForest）的核心思想是？

A.提升（Boosting）多个弱学习器

B.装袋（Bagging）多个决策树

C.构建单棵深度极大的决策树

D.使用核函数处理非线性数据

答案：B

解析：随机森林通过Bagging（自助采样）方法生成多个决策树，最终通过投票（分类）或平均（回归）集成结果。A（提升）是AdaBoost、GBDT的思想，C（单棵树易过拟合）、D（核函数是SVM的特性）均错误。

在特征工程中，对类别型特征“颜色”（红、蓝、绿）进行编码，最合理的方法是？

A.归一化（Normalization）

B.标准化（Standardization）

C.独热编码（One-HotEncoding）

D.对数变换（LogTransformation）

答案：C

解析：类别型特征无顺序关系，独热编码将其转换为二进制向量（如红→[1,0,0]），避免模型错误学习顺序关系。A/B用于数值型特征缩放，D用于处理偏态分布的数值特征。

以下哪种正则化方法更可能产生稀疏权重？

A.L2正则化（岭回归）

B.L1正则化（Lasso）

C.Dropout

D.数据增强

答案：B

解析：L1正则化通过添加权重绝对值的和作为惩罚项，会使部分权重变为0，产生稀疏解；L2正则化使权重趋近于0但非零；Dropout随机失活神经元；数据增强是增加训练数据多样性。

卷积神经网络（CNN）中，卷积层的主要作用是？

A.降维（减少参数数量）

B.提取局部特征（如边缘、纹理）

C.全局信息整合

D.非线性激活

答案：B

解析：卷积层通过滑动卷积核提取输入数据的局部空间特征（如图像的边缘、纹理）。A（降维通常由池化层完成）、C（全局整合由全连接层完成）、D（非线性激活由激活函数如ReLU实现）。

以下哪项是支持向量机（SVM）的核心目标？

A.最小化训练误差

B.最大化分类间隔（Margin）

C.最大化模型复杂度

D.最小化学习率

答案：B

解析：SVM通过寻找最大分类间隔的超平面，使模型在训练数据上的泛化能力更强。A（最小化训练误差易导致过拟合）、C（模型复杂度由核函数和正则化控制）、D（学习率是优化器参数）。

在K近邻（KNN）算法中，当K值过小时，模型容易出现？

A.欠拟合

B.过拟合

C.计算效率提升

D.对噪声不敏感

答案：B

解析：K值过小（如K=1）时，模型过度依赖局部少数样本，容易受噪声影响，导致过拟合；K值过大则模型过于平滑，可能欠拟合。C（K小计算量更大）、D（K小对噪声更敏感）错误。

二、多项选择题（共10题，每题2分，共20分）

以下属于无监督学习任务的是？

A.客户分群（Clustering）

B.异常检测（AnomalyDetection）

C.情感分析（SentimentAnalysis）

D.降维（Dimensionality